Basis expansions for functional snippets
函数型短片段数据的基展开方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究函数型数据的均值与协方差恢复，未明确对应所列计量领域。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
函数型短片段数据的基展开方法
- 研究问题
- 每个个体的函数观测仅覆盖整体区间的一小段时，如何估计均值与协方差，尤其是缺少直接观测的远离对角区域？
- 方法与思路
- 作者使用协方差函数的基表示处理短片段采样造成的观测缺口，并研究该估计方法对真实协方差平滑度的适应性。
- 材料陈述的贡献
- 摘要称所提估计量具有随协方差平滑度自适应的收敛速度，并在模拟中表现出优于比较方法的有限样本性能。
- 阅读关注点
- 应核对缺失区域可恢复所需的函数类限制、基函数与截断选择、片段覆盖机制，以及自适应收敛速度的条件。
- 阅读边界
- 仅据所给 Crossref 版本摘要，不能断言任意协方差都能从短片段恢复；具体识别限制、收敛速度和模拟设置未说明。
原文摘要
Summary Estimation of mean and covariance functions is fundamental for functional data analysis. While this topic has been studied extensively in the literature, a key assumption is that there are enough data in the domain of interest to estimate both the mean and covariance functions. We investigate mean and covariance estimation for functional snippets in which observations from a subject are available only in an interval of length strictly, and often much, shorter than the length of the whole interval of interest. For such a sampling plan, no data is available for direct estimation of the off-diagonal region of the covariance function. We tackle this challenge via a basis representation of the covariance function. The proposed estimator enjoys a convergence rate that is adaptive to the smoothness of the underlying covariance function, and has superior finite-sample performance in simulation studies.